Filtrage spectral orienté nœuds pour les réseaux neuronaux sur graphes

Les réseaux de neurones graphiques (GNN) ont fait preuve d’une performance remarquable sur des données graphes homophiles, tandis qu’ils se révèlent bien moins efficaces lorsqu’ils traitent des graphes non homophiles, en raison de la propriété intrinsèque de filtrage passe-bas des GNN. En général, puisque les graphes du monde réel sont souvent des mélanges complexes de divers motifs de sous-graphes, l’apprentissage d’un filtre spectral universel à partir d’un point de vue global, comme le font la plupart des approches actuelles, reste difficile à adapter aux variations des motifs locaux. À partir d’une analyse théorique des motifs locaux, nous repensons les méthodes de filtrage spectral existantes et proposons une nouvelle approche appelée filtrage spectral orienté nœud pour les réseaux de neurones graphiques (noté NFGNN). En estimant un filtre spectral orienté nœud pour chaque nœud, NFGNN acquiert la capacité de localiser précisément chaque nœud grâce à un opérateur de translation généralisé, permettant ainsi de discriminer de manière adaptative les variations des motifs d’homophilie locaux. Par ailleurs, l’utilisation de la ré-paramétrisation permet d’obtenir un bon compromis entre la cohérence globale et la sensibilité locale lors de l’apprentissage des filtres spectraux orientés nœud. En outre, nous analysons théoriquement la propriété de localisation de NFGNN, démontrant que le signal après filtrage adaptatif reste concentré autour du nœud correspondant. Les résultats expérimentaux étendus montrent que le NFGNN proposé atteint des performances nettement supérieures.